tensorflow：结合 to_categorical() 与 Datasets 和 map()

Question

简而言之，我正在努力尝试将 tf.data.Dataset 中的图像每像素类别掩码从整数类编码转换为 one-hot 编码。

考虑这里的图像分割 tensorflow 教程示例： https://www.tensorflow.org/tutorials/images/segmentation.

输入是图像，输出是每像素整数标记的类别掩码。在他们的示例中，掩码在每个像素处都有一个由整数表示的类别值：{0、1 或 2}。

train 和 test 变量的类型为 tf.data.Dataset，每个样本都是一个（图像，掩码）元组。

这种形式的掩码/输出与教程中的sparse_categorical_crossentropy损失函数一致。但是，我希望能够使用其他需要 one-hot 编码的损失函数。

我一直在尝试使用 map() 调用通过 tf.keras.utils.to_categorical() 函数转换数据集，即：

    def mask_to_categorical(image, mask):
        mask = tf.keras.utils.to_categorical(mask,3)
        return image, mask
    
    train = train.map(mask_to_categorical)

但是，这会失败并出现以下错误：

    {...}/tensorflow_core/python/keras/utils/np_utils.py:40 to_categorical
        y = np.array(y, dtype='int')

    TypeError: __array__() takes 1 positional argument but 2 were given

---

注意：

到目前为止，我的搜索已将急切/非急切问题作为可能的原因之一。对于它的价值，我通过以下方式验证了我正在以渴望模式运行：

    >>> print('tf.executing_eagerly() = ', tf.executing_eagerly())
    
    tf.executing_eagerly() =  True

有什么建议吗？谢谢！

Answer 1

尝试像这样修改 one-hot encoding 的函数：

def mask_to_categorical(image, mask):
    mask = tf.one_hot(tf.cast(mask, tf.int32), 3)
    mask = tf.cast(mask, tf.float32)
    return image, mask